Möglichst genaue Wettervorhersagen sind für viele Wirtschaftszweige von großer Bedeutung, die Landwirtschaft ist nur einer davon. Bislang aber war es nicht einfach, aus den vielen eine Rolle spielenden Faktoren präzise Aussagen insbesondere für ein eng begrenztes Gebiet abzuleiten. Wissenschaftlerinnen und Wissenschaftlern des Karlsruher Instituts für Technologie (KIT) ist es nun gelungen, die Vorhersagemethoden zu verbessern – auf der Basis Künstlicher Intelligenz.
Das Wetter ist ein kompliziertes Phänomen: Luftmassen, die ständig in Bewegung sind, schwankende Temperaturen und veränderliche Luftdruckverhältnisse sorgen dafür, dass sich die Atmosphäre über uns schwer berechnen lässt. Für ihre Wettervorhersagen nutzen Meteorologinnen und Meteorologen Messungen vom aktuellen Zustand der Atmosphäre. Davon ausgehend simulieren sie alternative Szenarien; sie verändern zum Beispiel die Temperatur oder die Luftfeuchtigkeit und berechnen, wie sich diese Modifikation auf das Wetter auswirken könnte.

Diese Methode hat jedoch Nachteile. „Die Computerszenarien können manche physikalischen Zusammenhänge nicht in der notwendigen Detailtiefe oder räumlichen Auflösung abbilden“, sagt Sebastian Lerch vom Institut für Stochastik des KIT. So fallen beispielsweise Vorhersagen über die Temperatur an bestimmten Orten stets zu mild, an anderen zu hoch aus, weil lokale, teils zeitlich variable Gegebenheiten den Modellen nicht mitgegeben werden können. Dies macht eine Nachbearbeitung der Simulationen mit aufwendigen Verfahren notwendig.

Hier hat Lerch gemeinsam mit Peter Knippertz vom Institut für Meteorologie und Klimaforschung des KIT einen neuen Ansatz entwickelt. Dessen Grundlage sind sogenannte neuronale Netze, also Computerprogramme, die Informationen nach dem Vorbild des Gehirns verarbeiten. Mathematikerinnen und Mathematiker können dem Netzwerk „antrainieren“, wie es bestimmte Daten optimal verarbeiten kann. Mit jeder Information, die in der Trainingsphase durch das Netzwerk fließt, sammelt es „Erfahrung“, kann sich kontinuierlich verbessern und so beispielsweise die Wahrscheinlichkeit von lokalen Wetterereignissen präzise bestimmen. Um das Netz zu trainieren, nutzt das KIT-Forschungsteam Wetterdaten aus Deutschland, die 537 Wetterstationen von 2007 bis 2016 aufgezeichnet haben. Eingangsgrößen für das neuronale Netz waren unter anderem die Bewölkung, Bodenfeuchte und Temperatur.